En ny datormodell för maskininlärning förutsäger exakt skadliga strålningsstormar orsakade av Van Allens bälten två dagar före stormen, det mest avancerade meddelandet hittills, enligt en ny tidning i tidningen Rymdväder .

"Strålningsstormar från Van Allen-bälten kan skada eller till och med slå ut satelliter som kretsar i medelhög och hög höjd över jorden, men att förutse dessa stormar har alltid varit en utmaning, sa Yue Chen, en rymdforskare vid Los Alamos National Laboratory och huvudutredare för projektet gemensamt finansierat av NASA och NOAA. "Med tanke på att Van Allen-sonderna, som gav viktig information om rymdväder, nyligen ur bana, vi har inte längre direkta mätningar på vad som händer i det yttre elektronstrålningsbältet. Vår nya modell använder befintliga datamängder för att "lära sig" mönster och förutsäga framtida stormar så att satellitoperatörer kan vidta skyddsåtgärder, inklusive att tillfälligt stänga av en del av eller till och med hela satelliten för att undvika skador."

Denna prediktiva modell för megaelektronvolt (MeV) elektroner inuti jordens yttre Van Allen-bälte bygger på en tidigare modell som framgångsrikt förutspådde strålningsstormar en dag i förväg. Denna nya modell, kallas PreMevE 2.0, förbättrar prognoser genom att inkludera uppströms solvindhastigheter. Den förutsäger framtida händelser genom att träna på befintliga datamängder från NOAA och Los Alamos satelliter för att lära sig viktiga mönster av elektronbeteende.

"Med förväntningen att liknande mönster kan avslöja sig i framtiden, vår modell är kapabel att göra förutsägelser genom att fånga några kritiska signaturer som en föregångare till dessa framtida händelser, " förklarade Youzuo Lin, en beräkningsforskare vid Los Alamos som utvecklade maskininlärningsalgoritmerna för modellen.

"Genom att testa modellen med flera maskininlärningsalgoritmer, detta arbete bekräftar förutsägbarheten hos MeV-elektroner, såväl som robustheten i att använda elektronobservationer i låg omloppsbana om jorden för att driva förutsägelser, " tillade Chen. "Dessutom, ramverket som ställts upp i detta arbete gör att vi enkelt kan inkludera fler ingångsparametrar för att förutsäga fler energiska elektroner i nästa steg."

Maskininlärningsramverket som utvecklats för PreMevE 2.0 kan också tillämpas på många breda applikationer som använder tidsrelaterade mätningar, som att fånga jordbävningsmönster bland stora volymer seismiska tidsseriedata, möjliggör detektering av små jordbävningar från bullriga miljöer.